數據融合下的異步電動機故障診斷 Fault Diagnosis of Asynchronous Motor Based on Data Fusion

商航 SHANG Hang 王煒富 WANG Wei-fu 李雨寰 LI Yu-huan

摘要：隨著科學技術的飛速發展，異步電動機在眾多行業領域得到廣泛推廣。盡管異步電動機廣泛推廣提升了產業效率，促進了社會發展，但其實際應用中會出現各式各樣的故障，對人們人身安全構成極大威脅。本文首先闡述了數據融合的內涵特征，其次探討了異步電動機常見故障，最后論述了數據融合下的異步電動機故障診斷，以供參考。

Abstract： With the rapid development of science and technology， asynchronous motors have been widely promoted in many industries. The wide promotion of landscape asynchronous motors has improved industrial efficiency and promoted social development， but various failures will occur in their practical applications， posing a great threat to people's personal safety. This article first expounds the connotative characteristics of data fusion， then discusses the common faults of asynchronous motors， and finally discusses the fault diagnosis of asynchronous motors under data fusion for reference.

關鍵詞：數據融合;異步電動機;故障診斷

Key words： data fusion;asynchronous motor;fault diagnosis

中圖分類號：TP274? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ?文章編號：1674-957X（2021）22-0131-02

0? 引言

現如今，異步電動機已在眾多行業領域得到廣泛推廣，一旦引發故障，將造成難以估量的經濟損失，這讓異步電動機故障診斷技術成為廣大業界人士研究的重要課題。對于異步電動機的故障診斷，傳統診斷方法主要依托單一的故障特征、診斷方法開展，而因為異步電動機結構復雜，引發故障的因素多種多樣，電動機在診斷時存在一系列不確定因素，憑借單參數診斷獲取的結論并不可靠，診斷結果可信度不足[1]。為此，本文將對數據融合下的異步電動機故障診斷進行思考研究。

1? 數據融合概述

數據融合，亦可稱之為信息融合，主要指的是依托計算機技術，對按照時序獲取的多個傳感器或者多源的信息在相應標準下開展綜合處理，進一步獲取準確可靠結論的信息處理過程。從廣義層面而言，數據融合涉及通信、信號處理、模式識別、神經網絡、人工智能等多個領域，而數據融合應用的信息技術及處理手段都源自該部分領域。

傳統檢測系統的工作過程是檢測信號經由A/D轉換，將數字信號通過簡單預處理后傳輸進計算機中，基于此計算機對系統開展一系列評定、決策，憑借數據融合系統與傳統系統的差異性，其屬于綜合若干個傳感器的測量數據，在計算機中對數字信號還應開展進一步融合處理[2]。數據融合過程主要涉及多傳感器組、數據預處理、數據特征提取、數據融合計算以及輸出結果等步驟。基于此，數據融合下異步電動機故障診斷，屬于是一個多元信息處理的過程。因為故障多樣復雜，故障征兆主要依托傳感器等不同方式方法獲取，該種獲取的信息一方面具有多樣性的特征，另一方面還表現出一定的不確定性;并且，即便是相同類型的故障征兆也可能是各不相同的，而不同類型的故障征兆同時存在相似的情況。針對這一情況，要求相關人員將各項信息基于相應標準開展綜合處理，進一步獲取準確可靠的結論。

2? 異步電動機常見故障

電機故障類型多種多樣，依據電機結構劃分，包括有轉子故障、定子故障、軸承故障等，依據故障性質劃分，包括有絕緣故障、短路故障、損傷故障等。現從異步電動機結構著手，對異步電動機常見故障作如下介紹。

2.1 定子鐵心故障

作為異步電動機的一種常見故障，定子鐵心故障包括有定子鐵心松動、定子鐵心短路等，其中，定子鐵心松動引發原因主要是電機制造時，定子鐵心存在壓裝不緊情況，或者定子緊固件出現松脫情況。出現定子鐵心松動后，電機會出現異常振動情況，倘若不進行及時處理，極可能會對繞組絕緣耐久性造成不利影響。對于定子鐵心短路而言，因為異步電動機結構特殊，其氣隙偏小，受軸承磨損、裝配不合理等因素影響，極可能致使定轉子相互摩擦，造成定子鐵心局部區域齒頂上絕緣失效，并由于毛刺使得片間相互連接，產生片間短路，環路電流不斷流經定子膛中鐵心短路區域，隨著時間的推移，電流不斷增大而引發定子鐵心局部溫度升高，當電流進一步增大后，定子鐵心硅鋼片將會出現融化情況，同時極可能破壞定子繞組絕緣，最終引發嚴重的定子鐵心短路故障。

2.2 定子繞組故障

電子繞組故障中尤以繞組匝間短路故障最為常見，在電機總故障占比可達到約36%，一般還會引發相間短路故障及局部接地故障。在繞組中一相出現匝間短路情況，如同這一相繞組匝數縮減，進而會使得三相電流不對稱。引發匝間短路故障原因的包括有開關浪涌、局部放電、鋼絞線振動、匝間絕緣部位化學反應等。相間短路故障通常表現為相間絕緣電阻為零或者趨近于零，引發原因通常為繞組在不良環境下運行過程中，相間絕緣材料不良致使出現電擊穿。對于相間短路故障，可通過電機運行聲音、定子電流轉變、繞組損壞與否等途徑進行判定。局部接地故障一般出現于繞組端部或者鐵芯槽口部位，通常表現為繞組導體對鐵芯的絕緣電阻為零，引發原因主要為電機定子槽口或者繞組端部等部位絕緣材料不良。

2.3 轉子故障

轉子故障包括有轉子斷條、轉子彎曲等，其中，轉子斷條作為異步電動機的一個常見故障，在電機總故障中占比可達到約10%，其引發原因主要為制造水平不足，結構設計缺乏合理性，頻繁高荷載，人為操作不合理等[3]。轉子籠條出現輕微斷裂情況，對電機短期影響并不顯著，轉子斷條嚴重時拆開電機其中轉子斷條部位會出現明顯燒黑情況。所以，對異步電動機轉子斷條故障開展有效及時的診斷至關重要。轉子彎曲通常可分為永久性彎曲和熱彈性彎曲，其中，前者指的是轉子彎曲后難以復原的情況，引發的原因包括有電機制造過程中轉軸結構設計不合理、長期擺放位置不合理、材質選擇不符合要求等。后者指的是在熱膨脹影響下而引發的轉子彎曲，因為該種彎曲可以復原所以亦稱之為臨時彎曲。一般情況下，在沒有超出材料所能承受的溫度極限時，等到轉子溫度均勻后，熱彈性彎曲會逐漸恢復;而倘若出現熱彈性彎曲后，仍保持電機繼續運行，則可能讓轉子由熱彈性彎曲轉變成永久性彎曲。

2.4 軸承故障

定子轉子在前后兩端通過軸承支撐，通常就臥式電機而言，軸承多承受徑向力，一般選取滾動軸承，軸承內圈與轉子快速運行，在高載荷的影響下，即會引發軸承故障，這一故障主要表現為點蝕、磨損以及內外圈裂痕等，一旦出現軸承故障，將會使得電動機振動加劇，造成振動超標。

3? 數據融合下的異步電動機故障診斷

3.1 BP神經網絡學習算法

BP神經網絡擁有突出的非線性數據處理能力、學習能力，及強抗干擾性等優勢，尤為適用于異步電動機故障診斷中故障特征不確定的情況。異步電動機作為一個機電強耦合系統，構建可靠的數字模型存在一定難度。為此，采用神經網絡學習算法，可將電機故障診斷轉化成一個模式辨識問題，也就是將電機的運行狀態劃分成正常狀態和故障狀態，而電機故障包括多種不同類型，對這些電機故障進行診斷的過程就是一個模式識別的過程。BP神經網絡學習算法的根本特征在于數據朝前傳輸，誤差朝后傳輸，如圖1所示，同時涉及輸入層、隱含層以及輸出層。其中，wih指的是輸入層到隱含層的權系數，who指的是隱含層到輸出層的權系數，BP神經網絡在投入應用前應輸入相應樣本開展網絡訓練，其中各樣本應當與輸入向量及期望輸出值密切相關，換言之，也就是實現輸入數據正向傳輸、誤差的方向調節，對各層次相互間的權系數予以優化整合，一直到實現對誤差量的有效控制[4]。網絡訓練完畢，即可對相關的輸入樣本，獲取誤差最小的結論。

3.2 D-S證據理論

D-S證據理論作為一項研究解決不確定性問題的理論，其是基于對各項證據元素的系統考慮，完成對全面辨別框架開展統籌決策的一個準則。通過預先設置一個辨別框架上若干不同證據的信度分配函數，倘若這些證據不相排斥，便可引入D-S證據理論，分析全面辨別框架上各電機故障類型的總信度分配[5]。本次研究過程中，結合各并行BP子神經網絡局部診斷的結論，依托D-S證據理論開展全面融合分析，進一步獲取準確的故障定位。

3.3 基于神經網絡的電機故障診斷

在異步電動機故障診斷過程中，各傳感器多點檢測會獲取各式各樣的數據，由各環節獲取的故障特征存在不同程度的不確定性。如果將這些高維特征信息同時傳輸進同一神經網絡開展處理，會使得網絡訓練時間太長，影響故障診斷效果，更可能致使網絡輸出結果不統一[6]。針對這一問題，將獲取特征信息空間劃分成若干證據空間，建立相關可信度函數，同時依托證據融合規則，將各項證據整合成一個新證據體，進而得出新的信任區間，最后，依托證據理論，將各證據空間開展全面融合，獲取證據融化后的結果，實現對電機故障的有效診斷。

4? 結束語

總而言之，依托將異步電動機故障特征向量轉化成數據融合問題，通過對BP神經網絡學習算法、D-S證據理論等融合應用，一方面可解決因單一故障診斷模型易造成診斷結果偏差的問題，另一方面還可解決證據理論在合成高沖突證據過程中可能出現的失效問題，進一步實現對異步電機故障的有效診斷。

參考文獻：

[1]許允之，龔乃瑋，葛垚，等.基于信息融合方法的電機故障診斷研究[J].華北電力大學學報，2012，39（03）：53-58.

[2]Douglas H，Pillay P，Ziarani A. Detection of broken rotor bars in induction motors using wavelet analysis[C]//IEEE International Electric Machines and Drives Conference，2003（2）：923-928.

[3]韓麗，史麗萍.基于信息融合技術的異步電機故障診斷研究[J].中國礦業大學學報，2010（02）：178-184.

[4]BENBOUZID M E.A review of induction motors signature analysis as a medium for faults detection [J]. IEEE T ransactions on Industrial Electronics，2000，47（5）：984-993.

[5]馬東.異步電動機常見故障判斷及處理在實踐中應用[J]. 數碼設計（上）， 2019（005）：168.

[6]袁媛，方紅彬，殷忠敏.基于多數據融合的電機故障診斷方法研究[J].電氣傳動，202151（09）：75-80.